Дякуємо за відвідування Nature.com. Версія браузера, який ви використовуєте, має обмежену підтримку CSS. Для найкращих результатів ми рекомендуємо використовувати нову версію свого браузера (або вимкнути режим сумісності в Internet Explorer). Тим часом, щоб забезпечити постійну підтримку, ми показуємо сайт без стилізації або JavaScript.
Одним з найбільш перспективних програм машинного навчання в обчислювальній фізиці є прискорене рішення часткових диференціальних рівнянь (PDE). Основна мета рішення часткового диференціального рівняння на основі машинного навчання-це створення рішень, які є досить швидшими, ніж стандартні числові методи, щоб служити базовим порівнянням. We first conduct a systematic review of the machine learning literature on solving partial differential equations. Of all the papers reporting the use of ML to solve fluid partial differential equations and claiming superiority over standard numerical methods, we identified 79% (60/76) compared to weak baselines. По -друге, ми знайшли докази широкого упередженості звітності, особливо у звітності про результати та упередженості публікацій. We conclude that machine learning research on solving partial differential equations is overly optimistic: weak input data can lead to overly positive results, and reporting bias can lead to underreporting of negative results. In large part, these problems appear to be caused by factors similar to past reproducibility crises: investigator discretion and positive outcome bias. Ми закликаємо до культурних змін знизу вгору, щоб мінімізувати упереджену звітність та структурну реформу зверху вниз, щоб зменшити збочені стимули до цього.
Список авторів та статей, створених систематичним оглядом, а також класифікація кожної статті у випадковому зразку, є загальнодоступним за адресою https://doi.org/10.17605/osf.io/gq5b3 (посилання 124).
Код, необхідний для відтворення результатів у Таблиці 2, можна знайти на Github: https://github.com/nickmcgreivy/weakbaselenesmlpde/ (посилання 125) та на коді океану: https://codeocean.com/capsule/9605539/ Дерево/ V1 (посилання 126) та https://codeocean.com/capsule/0799002/tree/v1 (посилання 127).
Рендалл, Д. та Вельсер, К., Криза незворотності в сучасній науці: причини, наслідки та шляхи реформи (Національна асоціація вчених, 2018).
Річі, С. Наукова фантастика: як шахрайство, упередженість, тиша та ажіотаж підривають пошук істини (Vintage, 2020).
Відкрита наукова співпраця. Оцінка відтворюваності в психологічній науці. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., and Asadullah, K. Вірите чи ні: скільки ми можемо покластися на опубліковані дані про потенційні цілі наркотиків? Нат. Преподобний "Відкриття наркотиків". 10, 712 (2011).
Begley, KG та Ellis, LM -стандарти підвищення рівня доклінічних досліджень раку. Природа 483, 531–533 (2012).
А. Гелман та Е. Локен, Сад фальшивих доріжок: чому багаторазові порівняння є проблемою навіть без "експедицій на риболовлі" або "P-Hacks" та попередньо формуваних дослідницьких гіпотез, т. 348, 1–17 (Департамент статистики, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., and Shi, D. Машинне навчання в пошуках нової основної фізики. Нат. Доктор філософії з фізики. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM та Ahsan MJ. Машинне навчання з виявлення наркотиків: огляд. Atif. Intel. Ред. 55, 1947–1999 (2022).
Mather, як і Coote, ML глибоке навчання з хімії. J.chemistry. Повідомити. Модель. 59, 2545–2559 (2019).
Раджкомар А., Дін Дж. Та Кохан І. Машинне навчання в медицині. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. та машинне навчання Стюарт БМ у соціальних науках: агностичний підхід. Преподобна Енн Бал. наука. 24, 395–419 (2021).
Jump, J. et al. Зробіть високоточні прогнози структури білків за допомогою альфафольда. Природа 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. Джерела незрозумілості в машинному навчанні: огляд. Preprint доступний за адресою https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., and Rahimi, прокляття переможця? Про швидкість, прогрес та суворість емпіричних доказів (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., and Zobel, J. Неадитивні вдосконалення: попередні результати пошуку з 1998 року. 18-а конференція ACM з питань управління інформацією та знаннями 601–610 (ACM 2009).
Капур, С. та Нараянан, А. Кризи витоку та відтворюваності в науці на основі машинного навчання. Візерунки, 4, 100804 (2023).
Kapoor S. et al. Реформа: Стандарти наукової звітності на основі машинного навчання. Preprint доступний за адресою https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. та Recht, B. Безглузді порівняння можуть призвести до помилкового оптимізму в медичному машинному навчанні. PLOS ONE 12, E0184604 (2017).
Робертс, М. та ін. Загальні підводні камені та найкращі практики використання машинного навчання для виявлення та прогнозування Covid-19 з рентгенівських променів та комп'ютерної томографії. Нат. Макс. Intel. 3, 199–217 (2021).
Winantz L. та ін. Прогностичні моделі діагностики та прогнозу Covid-19: систематичний огляд та критична оцінка. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS та Pollard KS подолали підводні камені використання машинного навчання в геноміці. Нат. Пастор Гінетт. 23, 169–181 (2022).
Atris N. et al. Найкращі практики машинного навчання з хімії. Нат. Хімічна речовина. 13, 505–508 (2021).
Брунтон С.Л. та Куц -Дж. Перспективні напрямки для машинного вивчення часткових диференціальних рівнянь. Нат. обчислити. наука. 4, 483–494 (2024).
Vinuesa, R. та Brunton, SL, що вдосконалюють динаміку обчислювальної рідини за допомогою машинного навчання. Нат. обчислити. наука. 2, 358–366 (2022).
Комо, С. та ін. Наукове машинне навчання з фізично поінформованими нейронними мережами: де ми зараз і що далі. Дж. Наука. обчислити. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., and Xiao, H. Turbulence Modelling в епоху даних. Переглянуте видання Енн. 51, 357–377 (2019).
Дурран, DR Числові методи вирішення рівнянь хвилі в геофізичній гідродинаміці, т. 32 (Springer, 2013).
Mishra, S. Рамка машинного навчання для прискорення обчислення диференціальних рівнянь. Математика. інженер. https://doi.org/10.3934/mine.2018.1.118 (2018).
Кочіков Д. та ін. Машинне навчання - прискорення обчислювальної динаміки рідини. процес. Національна академія наук. наука. США 118, E2101784118 (2021).
Kadapa, K. Машинне навчання для інформатики та інженерії - короткий вступ та деякі ключові проблеми. Preprint доступний за адресою https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-ganda, C., and Zanna, L. Порівняльний аналіз параметризації підгрійного підгру машинного навчання в ідеалізованих моделях. J.Adv. Модель. Земна система. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE Refinement: досягнення точних довгих екструзій з нейронним вирішенням PDE. 37 -а конференція з систем обробки нейронної інформації (Nevirs 2023).
Frachas, PR та ін. Алгоритм зворотного розповсюдження та розрахунок резервуарів у періодичних нейронних мережах для прогнозування складної просторово -часової динаміки. нейронна мережа. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. and Karniadakis, GE Physics, інформатика, нейронні мережі: глибока рамка навчання для вирішення проблем вперед та зворотні проблеми, пов’язані з нелінійними частковими диференціальними рівняннями. J. Комп'ютер. Фізика. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., and Schönlieb, K.-B. Чи можуть нейронні мережі, засновані на фізиці, перевершити методи кінцевих елементів? IMA J. Заявки. Математика. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., and Gómez-Romero, J. Нейронні мережі на основі фізики для моделювання, керованого даними: переваги, обмеження та можливості. Фізика. A 610, 128415 (2023).
Чжуанг, П.-Й. & BARBA, LA Емпіричний звіт про нейронні мережі на основі фізики в моделюванні рідини: підводні камені та розчарування. Preprint доступний за адресою https://arxiv.org/abs/2205.14249 (2022).
Чжуанг, П.-Й. та Барба, LA прогностичні обмеження фізично поінформованих нейронних мереж щодо формування вихору. Preprint доступний за адресою https://arxiv.org/abs/2306.00230 (2023).
Ван, С., Ю., Х. та Пердікаріс, П. Коли і чому Пінс не тренується: перспектива нейронної дотичної ядра. J. Комп'ютер. Фізика. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Характеристики можливих режимів провалу у нейронних мережах фізичної інформації. 35 -а конференція з систем обробки нейронної інформації Vol. 34, 26548–26560 (Нейрипс 2021).
Басір, С. та Сенеокак, І. Критичне дослідження режимів невдачі в нейронних мережах на основі фізики. На форумі AIAA Scitech 2022 2353 (ARK, 2022).
Карнаков П., Литвінов С. та Кумотакос П. Розв’язання фізичних зворотних проблем шляхом оптимізації дискретних втрат: швидке та точне навчання без нейронних мереж. процес. Національна академія наук. наука. Nexus 3, pgae005 (2024).
Gundersen OE Основні принципи відтворюваності. Філ.Кросс. Р. Шукер. A 379, 20200210 (2021).
Aromataris E та Pearson A. Систематичні огляди: огляд. Так. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. Нейронні мережі, що знаходяться в рамках проблеми Рімана. J. Комп'ютер. Фізика. 409, 109345 (2020).
Bezgin DA, Schmidt SJ та Adams NA, керовані даними, фізично поінформований кінцевий об'ємний ланцюг для некласичних знижених напруг. J. Комп'ютер. Фізика. 437, 110324 (2021).
Час посади: вересень-29-2024